小语言模型也能精准预测分子性质？图结构工具带来突破性提升

近日，一项发表于arXiv的研究提出了一种创新的上下文增强提示框架，有效解决了小语言模型在分子属性预测中的“结构盲区”问题。传统上，小语言模型仅通过SMILES字符串序列进行分子性质预测时，往往因缺乏图拓扑结构信息而表现受限。

该研究团队设计了一套模块化工具调用方案：在推理阶段，训练有素的图神经网络专家模型提供带有置信度的预测提示，同时另一个GNN提取实例特定的解释性子图（包括子图SMILES和解释性文本段落）。研究者在MUTAG和Tox21两个数据集上测试了三种常用小语言模型，对比了从仅使用SMILES到调用全部工具的五种提示配置。

实验结果显示，通过图结构信息增强提示后，模型准确率获得显著提升，相对改进普遍超过25%，在Tox21数据集上最高达到74%的惊人提升。研究人员还通过必要性边丢弃干预验证了提取分子基团的功能相关性。尽管取得明显进步，但与专用图神经网络模型相比仍存在差距，这既展现了文本条件推理在分子结构分析中的价值，也揭示了其当前的技术边界。

这项研究为小语言模型在化学信息学领域的应用开辟了新路径，证明了工具增强策略在专业科学任务中的巨大潜力。